Sistema intelligente riduce impatto incidenti su auto elettriche
In un’innovazione destinata a ridefinire il panorama della mobilità elettrica, un team di ricercatori dell’Università di Chongqing ha presentato una strategia rivoluzionaria per la pianificazione del percorso e la navigazione alla ricarica, progettata per mitigare gli effetti devastanti degli incidenti stradali sull’esperienza degli utenti di veicoli elettrici (EV). Mentre l’adozione globale degli EV continua a crescere a ritmi sostenuti, le sfide legate alla congestione urbana e agli eventi imprevisti, come collisioni e incidenti, sono emerse come punti critici per i conducenti. Il nuovo sistema, descritto in dettaglio in uno studio pubblicato sulla prestigiosa rivista Power System Protection and Control, sfrutta dati di traffico in tempo reale e un modello dinamico sofisticato delle conseguenze degli incidenti per offrire una soluzione di navigazione intelligente che riduce significativamente i costi di viaggio e migliora l’efficienza della rete stradale.
La ricerca, guidata da Huang Bo, Hu Bo, Xie Kaigui, Shao Changzheng, Lin Chengrong e Huang Wei del Laboratorio Nazionale Chiave per la Tecnologia degli Apparecchiature per la Trasmissione di Energia dell’Università di Chongqing, affronta un vuoto significativo nelle tecnologie di navigazione attuali. Mentre i sistemi esistenti sono abili a gestire la congestione prevedibile e ricorrente—come gli ingorghi dell’ora di punta—sono largamente inefficaci di fronte al caos causato da eventi casuali e imprevedibili come gli incidenti stradali. Questi incidenti “sporadici”, come li definiscono gli autori, possono paralizzare le reti stradali, causando ritardi prolungati, un consumo energetico aumentato e un’ansia crescente per i conducenti di EV preoccupati di rimanere a secco di batteria.
L’innovazione centrale di questa nuova strategia risiede nella sua capacità di quantificare con precisione l’impatto dinamico di un incidente stradale dal momento in cui si verifica fino al momento in cui la congestione si dissolve completamente. I modelli di navigazione tradizionali spesso si affidano a semplici relazioni “flusso-tempo”, che presumono che il tempo di percorrenza aumenti linearmente con il volume del traffico. Tuttavia, questo approccio fallisce nel contesto di un grave incidente. Quando una collisione blocca le corsie, il flusso di traffico effettivo su quel tratto di strada può precipitare quasi a zero, mentre i veicoli si accumulano per chilometri, risultando in tempi di percorrenza molto più lunghi di quanto i modelli convenzionali possano prevedere. Questa imprecisione può fuorviare i conducenti, inducendoli a entrare in una zona congestionata e a diventare parte del problema.
Per superare questa limitazione, il team dell’Università di Chongqing ha sviluppato un nuovo modello di valutazione delle conseguenze che cattura l’intero ciclo di vita di un incidente stradale: il suo processo di “occorrenza-mantenimento-dissipazione”. Questo modello inizia valutando la gravità dell’incidente, specificamente quante corsie sono bloccate, il che influisce direttamente sulla capacità residua della strada. Utilizzando dati del Manual of Highway Capacity, il modello calcola questa capacità ridotta, fornendo una base più realistica per le sue previsioni.
Il modello simula quindi l’evoluzione della coda di traffico. Considera il momento iniziale dell’incidente, il tempo necessario ai centri di monitoraggio del traffico per rilevarlo, l’arrivo delle squadre di emergenza, la durata della pulizia e, infine, il tempo necessario affinché la congestione residua si dissolva. Integrando dati di traffico in tempo reale in questo quadro dinamico, il sistema può fornire una stima accurata e aggiornata in continuazione del ritardo sulla strada interessata. Questo è un progresso cruciale, poiché la gravità di un ingorgo può cambiare minuto per minuto, e i conducenti hanno bisogno delle informazioni più aggiornate per prendere decisioni sagge.
Il cuore della strategia è un modello di impedenza stradale complessivo. Invece di utilizzare una metrica semplice come la distanza, questo modello calcola un'”impedenza composta” per ogni segmento stradale, combinando due fattori che sono di massima importanza per i conducenti di EV: il tempo di percorrenza e il consumo energetico. Queste due metriche vengono convertite in un costo unificato, pesato in base al valore del tempo dell’utente e al costo dell’elettricità. Ciò consente al sistema di presentare una visione olistica del costo di un percorso, bilanciando il desiderio di un viaggio veloce con la necessità di conservare la batteria.
Questa impedenza composta non è statica. Viene ricalcolata in tempo reale in base alle condizioni di traffico dinamiche, inclusi i ritardi precisi previsti dal modello di conseguenze dell’incidente. Il risultato è una mappa costantemente aggiornata della rete stradale, dove il “costo” di ogni percorso riflette il suo stato vero e attuale.
Per trasformare questi dati in tempo reale in consigli di navigazione pratici, i ricercatori hanno ideato un algoritmo di ottimizzazione a rulli basato sull’algoritmo classico di Dijkstra. A differenza della pianificazione del percorso statica tradizionale, che calcola un singolo percorso all’inizio di un viaggio, questo approccio a rulli è dinamico. Mentre un EV viaggia, il sistema rivaluta continuamente la rete. Se viene segnalato un nuovo incidente o le condizioni del traffico cambiano significativamente, l’algoritmo ricalcola immediatamente il percorso ottimale in base alla matrice di impedenza composta più recente. Ciò garantisce che il conducente sia sempre guidato lungo il percorso più efficiente disponibile in quel preciso momento, riorientandosi dinamicamente per evitare la congestione emergente.
I benefici pratici di questo sistema sono stati testati rigorosamente utilizzando un modello accoppiato di una rete stradale di 12 nodi e la rete di distribuzione elettrica IEEE di 33 nodi. I risultati sono stati convincenti. In una simulazione in cui si è verificato un incidente stradale su una strada principale, la nuova strategia di navigazione in tempo reale ha superato ampiamente la navigazione statica convenzionale del percorso più breve. Per un viaggio tipico, il costo totale—compresi tempo ed energia—è stato ridotto di oltre il 90%. I conducenti che utilizzavano il sistema statico venivano convogliati nella zona dell’incidente, dove affrontavano lunghe code e alti costi, mentre quelli che utilizzavano il sistema dinamico venivano riorientati senza problemi su percorsi alternativi, evitando il peggio della congestione.
L’analisi del numero di veicoli sulla strada interessata dall’incidente ha fornito una chiara illustrazione dell’efficacia del sistema. Con la navigazione statica, il numero di veicoli sulla strada bloccata è aumentato, creando un ingorgo grave e prolungato che ha impiegato oltre un’ora per dissiparsi. Al contrario, la strategia in tempo reale è riuscita a deviare con successo il traffico, mantenendo il numero di veicoli sulla strada dell’incidente relativamente stabile ed evitando un accumulo catastrofico di congestione. Ciò non beneficia solo il conducente individuale, ma migliora anche l’efficienza complessiva dell’intera rete di trasporto. Lo studio ha quantificato questo miglioramento mostrando che l’efficienza media di viaggio sulla strada è migliorata di oltre il 180% nei primi 30 minuti dopo un incidente e di oltre il 300% nei successivi 30 minuti rispetto all’approccio statico.
L’impatto del sistema va oltre le strade; influisce anche positivamente sulla rete elettrica. Gli incidenti stradali possono causare un effetto domino sui modelli di ricarica. Quando i conducenti sono bloccati nel traffico, il loro arrivo alle stazioni di ricarica è ritardato, provocando un afflusso improvviso e concentrato di veicoli una volta che la congestione si dissolve. Ciò crea picchi acuti nella domanda di elettricità, che possono mettere sotto stress la rete di distribuzione locale. Lo studio ha dimostrato che la strategia di navigazione in tempo reale livella questo carico di ricarica. Evitando code massicce e distribuendo il traffico in modo più uniforme, assicura che gli EV arrivino alle stazioni di ricarica in modo più sfalsato. Ciò riduce il picco massimo di carico sulla rete in modo significativo—fino a 600 kW nella simulazione—e abbrevia anche la durata del carico elevato di quasi 30 minuti. Questa stabilizzazione della domanda di ricarica è un beneficio critico per gli operatori della rete, aiutando a mantenere la stabilità della tensione e a ridurre il rischio di sovraccarichi.
La ricerca ha anche esplorato a fondo il processo decisionale dei conducenti di EV, in particolare quando si tratta di ricaricare. Il sistema incorpora un modello sofisticato di navigazione alla ricarica che tiene conto non solo del costo dell’elettricità, ma anche del tempo trascorso in attesa in una stazione di ricarica affollata. Utilizzando un modello di teoria delle code (specificamente, un modello M/M/c), può prevedere il tempo medio di attesa in una stazione di ricarica in base al tasso di arrivo attuale dei veicoli e al tasso di servizio dei caricabatterie. Questa informazione viene quindi integrata nel calcolo del costo complessivo. Un conducente non viene semplicemente informato di andare al caricabatterie più vicino o più economico; viene guidato verso quello che offre la migliore combinazione di basso costo energetico, tempo di percorrenza breve e tempo di attesa minimo.
Un’analisi di sensibilità ha rivelato la robustezza della strategia. I ricercatori hanno testato come i cambiamenti nel “valore del tempo” del conducente—un parametro che riflette quanto un utente è disposto a pagare per risparmiare un’ora di viaggio—influiscono sul risultato della navigazione. Per un’ampia gamma di valori ragionevoli (da 6 a 18 yuan all’ora), il sistema ha costantemente raccomandato lo stesso percorso ottimale, che evitava la zona dell’incidente. Solo quando il valore del tempo era irrealisticamente basso, il sistema ha suggerito un percorso attraverso la zona congestionata, confermando che per la maggior parte degli utenti, i risparmi di tempo nell’evitare un incidente superano di gran lunga la possibile distanza aggiuntiva.
Per dimostrare la scalabilità del loro approccio, il team ha condotto un test finale su una rete stradale molto più grande, di 35 nodi, con due incidenti simultanei. I risultati hanno confermato che la strategia rimaneva efficace, guidando con successo i veicoli attorno a più aree problematiche e riducendo significativamente il costo totale del viaggio per gli utenti rispetto ai metodi statici o meno sofisticati. Ciò dimostra che l’algoritmo principale non è limitato a piccoli ambienti controllati, ma ha il potenziale per essere implementato in aree metropolitane complesse e nel mondo reale.
Le implicazioni di questa ricerca sono profonde. Rappresenta un grande passo avanti nella creazione di sistemi di trasporto veramente intelligenti che siano resilienti alle interruzioni casuali. Mentre le città di tutto il mondo si sforzano di raggiungere gli obiettivi di riduzione del carbonio promuovendo gli EV, l’infrastruttura che li supporta deve evolversi. Un sistema di navigazione in grado di anticipare e mitigare gli effetti degli incidenti stradali non è più un lusso, ma una necessità. Migliora la soddisfazione dell’utente riducendo lo stress e risparmiando tempo e denaro, promuove un uso più efficiente dell’infrastruttura stradale esistente e supporta la stabilità della rete elettrica livellando la domanda. Il lavoro di Huang Bo e dei suoi colleghi dell’Università di Chongqing fornisce una potente tabella di marcia per la prossima generazione di mobilità intelligente, in cui i veicoli non sono solo elettrici, ma anche intelligenti, adattivi e connessi in un modo che rende le nostre città più sicure, pulite ed efficienti per tutti.
Huang Bo, Hu Bo, Xie Kaigui, Shao Changzheng, Lin Chengrong, Huang Wei, National Key Laboratory of Power Transmission Equipment Technology(Chongqing University), Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240089